A seamless global daily soil moisture dataset (2010–2015) harmonized from SMOS observations and SMAP-era assimilation modeling
Notice bibliographique
Résumé
The consecutive Soil Moisture and Ocean Salinity (SMOS) and Soil Moisture Active Passive (SMAP) satellite missions have enhanced global L-band soil moisture monitoring. Specifically, SMAP Level-4 (SPL4) provides Bias-corrected, spatiotemporally continuous estimates via brightness temperature (Tb) assimilation. However, the temporal gaps between SMOS and SMAP and the limited duration of SPL4 constrain long-term applications. This study proposes a proxy modeling framework to extend SMAP-quality estimates back to 2010, creating a seamless six-year dataset (2010–2015) that bridges pre-SMAP observations with modern products. The framework integrates three components: reconstructing missing SMOS Tb data using the Data-Interpolating Empirical Orthogonal Functions method; training structure-flexible Long Short-Term Memory networks on reconstructed Tb and SPL4 data across six bioclimatic zones; and fusion with Copernicus soil moisture data using a Principal Component Analysis–wavelet approach to enhance consistency and extreme value simulation. Validation against 18 in situ networks showed strong performance (median unbiased root mean square error = 0.04 m³/m³; R > 0.6 in most regions). Compared with benchmark datasets (SGD-SM and NNsm), the Extended Seamless Soil Moisture (ESSM) dataset exhibits improved accuracy, particularly in regions with complex terrain or extreme climates. ESSM provides a robust foundation for hydrological modeling, drought monitoring, and climate variability studies during the critical pre-SMAP period.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».